редкие заболевания

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), исследователи из группы Хуана А.Г. Ранеа представляют новый подход к прогнозированию генной компенсации — явления, при котором потеря функции одного гена частично или полностью восполняется другими генами, что критически важно для понимания тяжести наследственных заболеваний и разработки таргетной терапии. Авторы (Федерико Гарсия-Криадо, Хесус Перес-Гарсия, Елена Рохано, Педро Сеоане-Зонхик) применили методы графовых эмбеддингов (graph embedding) для анализа биологических сетей взаимодействий белков и генетических данных. Методология включала построение гетерогенных графов, объединяющих данные о белково-белковых взаимодействиях, экспрессии генов и фенотипических ассоциациях, с последующим обучением моделей машинного обучения (включая node2vec и вариационные графовые автоэнкодеры) для предсказания компенсаторного потенциала генов. Ключевые результаты показали, что предложенный подход достигает AUC 0.87 на валидационных наборах данных, что значительно превосходит традиционные методы на основе гомологии (AUC 0.71) и случайного леса с ручными признаками (AUC 0.78). Модель успешно идентифицировала известные компенсаторные пары генов при таких заболеваниях, как муковисцидоз и мышечная дистрофия, а также предсказала новые кандидатные гены-компенсаторы, требующие экспериментальной проверки. Практическая значимость работы заключается в возможности более точной оценки патогенности генетических вариантов, улучшения генетического консультирования и выявления новых терапевтических мишеней для редких наследственных болезней. Исследование демонстрирует, что графовые методы глубокого обучения способны улавливать сложные топологические закономерности в биологических сетях, недоступные классическим статистическим подходам.

В статье представлен новый бенчмарк для оценки инструментов приоритизации генов при редких заболеваниях, решающий проблему циклической валидации. Проблема в том, что бенчмарки собираются из опубликованных клинических случаев, которые часто используются и для построения самих курируемых инструментов, что приводит к завышенным оценкам. Авторы выпускают стратифицированный набор из 1 047 случаев редких заболеваний из GA4GH Phenopacket Store v0.1.26. Каждый случай содержит профиль фенотипа (Human Phenotype Ontology) и список из 50 генов-кандидатов (один причинный ген и 49 отвлекающих), а также метку причинного гена. Набор стратифицирован по четырем операционным категориям заболеваний на основе MONDO и выпущен в двух вариантах: со случайными отвлекающими генами и с фенотипически похожими отвлекающими генами, выбранными по сходству Resnik в HPO. Для более честной оценки добавлены два уровня метаданных: флаг, указывающий, цитируется ли публикация источника случая в файле аннотаций заболеваний HPO (определяющий подмножество без перекрытия, n = 282), и страты по давности публикаций. Также описан детерминированный рецепт с фиксированной версией для гибридного плотно-разреженного поискового индекса по примерно 2,25 миллионам статей PMC Open Access (52 777 395 чанков). Ресурс не содержит сравнений инструментов, но предоставляет инфраструктуру для объективной оценки.

Компания Wave Life Sciences представила обновленные данные раннего клинического исследования своего инновационного метода терапии на основе редактирования РНК для лечения дефицита альфа-1 антитрипсина (AATD). Основная цель исследования заключается в подтверждении возможности перехода на ежемесячный режим введения препарата, что значительно повысит удобство терапии по сравнению с текущими методами. Технология РНК-редактирования направлена на коррекцию экспрессии дефектного белка, что позволяет воздействовать на первопричину заболевания на генетическом уровне. Предварительные результаты показывают многообещающий профиль безопасности и фармакокинетики, подтверждая потенциал метода для долгосрочного контроля заболевания. Данное исследование является важным шагом в развитии прецизионной медицины, демонстрируя возможности точного управления РНК для лечения редких генетических патологий. Успешная реализация этого протокола может изменить стандарты оказания помощи пациентам с AATD, обеспечивая более стабильный терапевтический эффект.

Исследование представляет инновационный метод калибровки моделей обыкновенных дифференциальных уравнений (ODE) для анализа редких заболеваний, где клинические данные крайне скудны и зашумлены. Авторы предложили подход устойчивой к шуму калибровки в латентном пространстве, который объединяет экспертные ODE-модели с обученными латентными представлениями. Методология включает использование синтетических траекторий ODE для обучения специфичного для модели автоэнкодера и импутера, что позволяет дополнить дефицитные реальные наблюдения. В ходе тестирования на симуляционной модели ABCDE было доказано, что предложенный импутер превосходит базовые методы (carry-forward) при умеренных сдвигах параметров, а калибровка сохраняет устойчивость даже при наличии дополнительных переменных шума. Применение метода на кастомной модели для пациентов с буллезным эпидермолизом показало, что феноменологическая модель успешно воспроизводит траектории пациентов на основе разреженных данных. Данная разработка имеет высокую значимость для персонализированной медицины и моделирования патологий с ограниченным объемом данных.

На конференции ASGCT 26 были представлены многообещающие результаты применения новой генной терапии, разработанной компанией Encoded Therapeutics для лечения синдрома Драве — тяжелого нейроразвивающего заболевания. В ходе исследования было зафиксировано значительное снижение частоты эпилептических приступов на 76% у детей, принимавших участие в испытаниях. В частности, этот впечатляющий результат наблюдался у трех пациентов, получавших терапию во второй по интенсивности дозировке из четырех протестированных вариантов. Исследование фокусируется на использовании передовых методов генной инженерии для коррекции генетических дефектов, вызывающих патологию. Данные результаты демонстрируют высокий потенциал технологии Encoded в трансформации подходов к лечению редких неврологических расстройств. Успех клинических испытаний может стать важным шагом к созданию эффективного стандартного лечения для пациентов с этим тяжелым диагнозом.

Биотехнологическая компания Regenxbio объявила о достижении ключевого этапа в разработке инновационного метода генной терапии для лечения мышечной дистрофии Дюшенна (DMD). Согласно результатам опорного (pivotal) исследования, терапевтический кандидат продемонстрировал эффективность, соответствующую необходимым клиническим стандартам. На основе полученных данных компания планирует подать заявку на одобрение в Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA), рассчитывая получить разрешение на коммерческое использование препарата к 2027 году. В случае успеха Regenxbio может стать лишь второй компанией в мире, коммерциализирующей подобный метод лечения данного генетического заболевания. Данное исследование представляет значительный интерес для сектора персонализированной медицины и генной инженерии, демонстрируя прогресс в применении векторов для доставки терапевтических генов.

Исследование представляет новый подход к решению проблемы диагностики редких генетических заболеваний, где пациенты часто проходят многолетнюю «диагностическую одиссею» без постановки точного диагноза. Авторы предлагают симуляционную фреймворк GraPhens, который использует структуру онтологии фенотипов человека (HPO) совместно с двумя эмпирически обоснованными мягкими априорными распределениями — по количеству наблюдаемых фенотипов на случай и специфичности фенотипов — для генерации синтетических пар фенотип-ген. На основе этих синтетических случаев обучается графовая нейронная сеть GenPhenia, которая работает с подграфами фенотипов конкретного пациента вместо плоских наборов фенотипов. Несмотря на то, что модель обучалась исключительно на синтетических данных, она демонстрирует способность обобщаться на реальные ранее не встречавшиеся клинические случаи и превосходит существующие методы приоритизации генов, основанные на фенотипах, на двух реальных наборах данных. Результаты показывают, что когда данные пациентов ограничены, но доступна структурированная онтология, principled simulation может обеспечить эффективные тренировочные данные для сквозных нейросетевых моделей диагностики. Это особенно актуально для редких заболеваний, где сбор достаточного количества клинических случаев затруднён, а структурированные онтологии позволяют генерировать реалистичные синтетические данные.